Datenimport

Einlesen von Datendateien

Daniela Palleschi

Humboldt-Universität zu Berlin

2023-05-09

Wiederholung

Letzte Woche haben wir…

  • den Unterschied zwischen numerischen und kategorialen Datentypen gelernt
  • haben wir unsere ersten Diagramme mit ggplot2 erstellt
  • gelernt, welche Diagramme für verschiedene Datentypen geeignet sind

Heutige Ziele

Heute werden wir…

  • lernen, wie man einen neuen Datensatz in Augenschein nimmt
  • lernen, wie man verschiedene Datentypen importiert
  • lernen, wie man Daten von Hand eingibt
  • einen neuen Datensatz visualisieren

Lust auf mehr?

Daten erforschen

  • letzte Woche haben wir mit Daten aus dem R-Paket palmerpenguings gearbeitet
    • Daten aus Paketen sind ein guter Weg, um Data Science Tools zu lernen
  • aber ihr werdet irgendwann mit euren eigenen Daten arbeiten wollen
  • Heute lernen wir die Grundlagen des Einlesens von Datendateien in R

Pakete

# install new packages IN THE CONSOLE!
install.packages("pacman")
# load packages
pacman::p_load("tidyverse", # wrangling
               "janitor", # wrangling
               "here", # relative file paths
               "patchwork" # plot layout
               )

  • wir werden mit dem Paket pacman beginnen

    • die Funktion p_load() nimmt Paketnamen als Argumente
    • sie prüft dann, ob wir das Paket installiert haben
      • wenn ja, dann lädt sie das Paket
      • wenn nicht, wird das Paket installiert und geladen

  • dies erspart uns, jedes Mal neue Pakete zu installieren

  • wir haben jetzt tidyverse und patchwork geladen und die neuen Pakete janitor und here installiert und geladen

Dateien

  • Speichert die Dateien unter ‘daten’ in den Moodle-Materialien für diese Woche
  • Speichert die Dateien im Ordner daten in eurem .RProj für diesen Kurs!

‘data’ file path

Eingebaute Daten

  • Lasst uns zunächst einige eingebaute Daten untersuchen: den iris-Datensatz
    • wie viele Variablen gibt es?
    • wie viele Beobachtungen?
# load tidyverse
library(tidyverse)
# read-in iris dataset
data("iris")
  • iris = Iris
  • petal = Blumenblatt
  • sepal = Kelchblatt

Image source: Analytics Vidhya (all rights reserved)

Einen Datensatz erforschen

  • view(): Datensatz öffnen
    • Führt dies nur in der Konsole aus! Euer Dokument wird nicht gerendert, wenn ihr es in eurem Skript habt
  • die Funktion head() gibt die ersten 6 Zeilen der Daten aus
# print dataset (first 6 rows)
head(iris)
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

glimpse()

  • EN: glimpse = DE: Einblick
  • aus dem Paket tibble
  • gibt eine seitliche Vorschau des Datenrahmens
glimpse(iris)
Rows: 150
Columns: 5
$ Sepal.Length <dbl> 5.1, 4.9, 4.7, 4.6, 5.0, 5.4, 4.6, 5.0, 4.4, 4.9, 5.4, 4.…
$ Sepal.Width  <dbl> 3.5, 3.0, 3.2, 3.1, 3.6, 3.9, 3.4, 3.4, 2.9, 3.1, 3.7, 3.…
$ Petal.Length <dbl> 1.4, 1.4, 1.3, 1.5, 1.4, 1.7, 1.4, 1.5, 1.4, 1.5, 1.5, 1.…
$ Petal.Width  <dbl> 0.2, 0.2, 0.2, 0.2, 0.2, 0.4, 0.3, 0.2, 0.2, 0.1, 0.2, 0.…
$ Species      <fct> setosa, setosa, setosa, setosa, setosa, setosa, setosa, s…
# print dataset (first 6 rows)
head(iris)
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

summary()

  • druckt eine Zusammenfassung für jede Variable
    • Minimum, Maximum, Mittelwert von numerischen Variablen
    • Anzahl der Beobachtungen pro Stufe einer kategorischen Variable

Aufgabe

Aufgabe 1: table1

Beispiel 1  

  1. Versuch, den eingebauten Datensatz table1 zu laden
  2. Untersuche den Datensatz mit den Funktionen, die wir gerade gelernt haben
  3. Gibt es irgendetwas Komisches in der Zusammenfassung? Wie könnten wir das beheben?

Daten importieren

  • wir wollen normalerweise mit unseren eigenen Daten arbeiten, nicht mit eingebauten Spielzeugdaten

  • wir konzentrieren uns nur auf rechteckige Daten (d. h. aufgeräumte Daten)

  • Es gibt viele verschiedene Dateitypen, die Daten annehmen können, z. B. .xlsx, .txt, .csv, .tsv

  • csv ist der am häufigsten verwendete Dateityp: Kommagetrennte Werte (EN: Comma Separated Value)

    • Versucht, .xlsx zu vermeiden; wenn ihr einen Excel-Datensatz habt, versucht, ihn als .csv zu speichern, bevor ihr ihn in R lest

Daten importieren

  • So sieht eine einfache CSV-Datei aus
Student ID,Full Name,favourite.food,mealPlan,AGE
1,Sunil Huffmann,Strawberry yoghurt,Lunch only,4
2,Barclay Lynn,French fries,Lunch only,5
3,Jayendra Lyne,N/A,Breakfast and lunch,7
4,Leon Rossini,Anchovies,Lunch only,
5,Chidiegwu Dunkel,Pizza,Breakfast and lunch,five
6,Güvenç Attila,Ice cream,Lunch only,6

  • die erste Zeile (die “Kopfzeile”) enthält die Spaltennamen

  • die folgenden Zeilen enthalten die Daten

  • Wie viele Variablen gibt es? Wie viele Beobachtungen?

readr Paket

  • dieselben Daten können als Tabelle angezeigt werden, so wie wir es mit penguins und iris gemacht haben
    • aber zuerst müssen wir die Daten einlesen
  • das readr Paket (Teil von tidyverse) kann die meisten Datentypen einlesen
read_csv(here::here("daten", "students.csv"))
Tabelle 1: Data from the students.csv file as a table.
Student ID Full Name favourite.food mealPlan AGE
1 Sunil Huffmann Strawberry yoghurt Lunch only 4
2 Barclay Lynn French fries Lunch only 5
3 Jayendra Lyne N/A Breakfast and lunch 7
4 Leon Rossini Anchovies Lunch only NA
5 Chidiegwu Dunkel Pizza Breakfast and lunch five
6 Güvenç Attila Ice cream Lunch only 6

here Paket

  • Woher weiß R genau, wo der Ordner “Daten” zu finden ist?
  • unser Arbeitsverzeichnis ist auf den Ort unseres RProjekts auf unserem Computer festgelegt
  • Wann immer wir auf Daten in unserem RProjekt zugreifen wollen, sollten wir here::here() verwenden.
  • um zu sehen, von wo aus here() startet, führt here() aus
here()
[1] "/Users/danielapalleschi/Documents/IdSL/Teaching/SoSe23/BA/ba_daten"
  • dies wird auf allen unseren Rechnern anders aussehen
    • Was jedoch gleich sein sollte, ist unsere Ordnerstruktur innerhalb unserer Projekte (z. B. daten/students.csv).

here Paket

Image source: Allison Horst (all rights reserved)

here Paket

here Paket

Vor dem here-Paket mussten wir R explizit mitteilen, wo sich eine Datei auf unserem Computer befindet (z.B., /Users/danielapalleschi/Documents/IdSL/Teaching/SoSe23/BA/ba_daten/daten/students.csv), oder die Funktion setwd() (set Working Directory) benutzen, um R mitzuteilen, wo alle Dateien zu finden sind (z.B. setwd(/Users/danielapalleschi/Documents/IdSL/Teaching/SoSe23/BA/ba_daten)). Glücklicherweise brauchen wir diese absoluten Dateipfade oder setwd() nie zu verwenden!

Aus der here-Paketdokumentation:

The goal of the here package is to enable easy file referencing in project-oriented workflows. In contrast to using setwd(), which is fragile and dependent on the way you organize your files, here uses the top-level directory of a project to easily build paths to files.

Das bedeutet, dass wir nun den großen Vorteil haben, dass wir unseren Projektordner überall hin verschieben können und unser Dateipfad immer noch relativ zu dem Ort ist, an den wir unseren Projektordner verschoben haben. Das bedeutet, dass das Projekt unabhängig davon läuft, wo es sich auf eurem Computer befindet. Ihr könnt auch jemandem den Projektordner schicken, und alles sollte auf dessen Rechner laufen!

Aufgabe

Aufgabe 2: table1

Beispiel 2  

  1. Importiert den Datensatz students.csv und speichert ihn als Objekt mit dem Namen df_students.
    • df_ ist die Abkürzung für DataFrame; es ist eine gute Idee, ein Präfix vor Objektnamen zu verwenden, damit wir wissen, was jedes Objekt enthält.
  2. Beim Importieren von Daten mit read_csv werden einige Informationen in der Konsole ausgegeben. Was wird gedruckt?
  3. Untersucht den Datensatz mit den Funktionen, die wir gerade gelernt haben
  4. Fällt Ihnen etwas Ungewöhnliches auf?

Fehlende Werte

  • Die Datentransformation bezieht sich auf die “Korrektur” unserer Daten, wenn sie nicht “ordentlich” sind.
  • in unserem df_students Datenrahmen habt ihr vielleicht einige NA oder N/A Werte bemerkt
    • N/A wurde als Text geschrieben und wird daher von R als solcher gelesen.
    • NA in R bezieht sich auf fehlende Daten (EN: Not Available = DE: “Nicht verfügbar”)
  • letzte Woche haben wir einige Warnmeldungen gesehen, als wir unsere Streudiagramme erstellt haben
    • Diese Warnungen informierten uns über fehlende Werte (NAs), die nicht geplottet wurden
  • Echte fehlende Werte sind völlig leer, so dass die Angabe N/A in unseren df_students-Daten nicht wirklich als fehlender Wert gelesen wird.
  • Um dies zu beheben, können wir das Argument na = für die Funktion read_csv() verwenden
    • Dieses Argument teilt read_csv() mit, welche Werte mit fehlenden Werten gleichgesetzt werden sollen.

Fehlende Werte

df_students <- read_csv(here::here("daten", "students.csv"),
                        na = "N/A")
head(df_students)
# A tibble: 6 × 5
  `Student ID` `Full Name`      favourite.food     mealPlan            AGE   
         <dbl> <chr>            <chr>              <chr>               <chr> 
1            1 Sunil Huffmann   Strawberry yoghurt Lunch only          "4"   
2            2 Barclay Lynn     French fries       Lunch only          "5"   
3            3 Jayendra Lyne    <NA>               Breakfast and lunch "7"   
4            4 Leon Rossini     Anchovies          Lunch only          ""    
5            5 Chidiegwu Dunkel Pizza              Breakfast and lunch "five"
6            6 Güvenç Attila    Ice cream          Lunch only          "6"
  • jetzt wird der Wert, der vorher N/A war, als NA gelesen
    • aber was ist mit der leeren Zelle?
  • Wir haben jetzt überschrieben, dass read_csv() leere Zellen als NA liest.
    • Wie können wir read_csv() anweisen, mehr als eine Art von Eingabe als NA zu lesen?
    • d.h. wir wollen, dass es "" und "N/A"x als NA liest

Fehlende Werte

df_students <- read_csv(here::here("daten", "students.csv"),
                        na = c("N/A",""))
head(df_students)
# A tibble: 6 × 5
  `Student ID` `Full Name`      favourite.food     mealPlan            AGE  
         <dbl> <chr>            <chr>              <chr>               <chr>
1            1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    
2            2 Barclay Lynn     French fries       Lunch only          5    
3            3 Jayendra Lyne    <NA>               Breakfast and lunch 7    
4            4 Leon Rossini     Anchovies          Lunch only          <NA> 
5            5 Chidiegwu Dunkel Pizza              Breakfast and lunch five 
6            6 Güvenç Attila    Ice cream          Lunch only          6

Spaltennamen

  • Wenn wir df_students in der Konsole ausgeben, werden wir sehen, dass die ersten beiden Spaltennamen von Backticks umgeben sind (z.B. `Student ID`)
    • Das liegt daran, dass sie ein Leerzeichen enthalten, das syntaktisch nicht gültig ist (Variablennamen müssen mit einem Buchstaben beginnen und dürfen keine Leer- oder Sonderzeichen enthalten).
  • eine schnelle Lösung ist die Funktion clean_names() aus dem Paket janitor 
janitor::clean_names(df_students)
# A tibble: 6 × 5
  student_id full_name        favourite_food     meal_plan           age  
       <dbl> <chr>            <chr>              <chr>               <chr>
1          1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    
2          2 Barclay Lynn     French fries       Lunch only          5    
3          3 Jayendra Lyne    <NA>               Breakfast and lunch 7    
4          4 Leon Rossini     Anchovies          Lunch only          <NA> 
5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch five 
6          6 Güvenç Attila    Ice cream          Lunch only          6
  • Das sieht besser aus!
    • aber wenn wir jetzt head(df_students) ausführen, sehen wir dann die bereinigten Spaltennamen?

Spaltennamen

  • Wenn wir ein Objekt durch eine Funktion übergeben, wird das Objekt nicht “aktualisiert”.
    • so müssen wir das Objekt erneut zuweisen
df_students <- janitor::clean_names(df_students)
  • aber wir wissen oft, dass wir mehrere Funktionen (read_csv(), clean_names()) auf demselben Objekt ausführen wollen
    • können wir das mit Pipes tun

Pipes

  • Pipes werden am Ende eines Funktionsaufrufs gesetzt, wenn das Ergebnis dieser Funktion durch eine nachfolgende Funktion weitergegeben werden soll
    • sie können als “und dann…” gelesen werden
read_csv(here::here("daten", "students.csv")) %>%
  head()
# A tibble: 6 × 5
  `Student ID` `Full Name`      favourite.food     mealPlan            AGE  
         <dbl> <chr>            <chr>              <chr>               <chr>
1            1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    
2            2 Barclay Lynn     French fries       Lunch only          5    
3            3 Jayendra Lyne    N/A                Breakfast and lunch 7    
4            4 Leon Rossini     Anchovies          Lunch only          <NA> 
5            5 Chidiegwu Dunkel Pizza              Breakfast and lunch five 
6            6 Güvenç Attila    Ice cream          Lunch only          6
  • Es gibt derzeit 2 Pipes, die in R verwendet werden können
    1. die magrittr-Paket-Pipe: %>%
    2. die neue native R-Pipe: |>
  • Bis jetzt habe ich noch keinen großen Unterschied zwischen den beiden entdeckt, aber im Moment bleibe ich bei %>%

Aufgabe

Aufgabe 3: pipes

Beispiel 3  

  1. Ladet den students.csv-Datensatz erneut mit festen NAs und dann
    • Benutze eine Pipe, um clean_names() auf dem Datensatz aufzurufen, und dann
    • Ruft man die Funktion head() auf
  2. Ladet den Datensatz students.csv erneut mit festen NAs und speichert ihn als Objekt df_students, und dann
    • Verwendet eine Pipe, um clean_names() auf den Datensatz anzuwenden
  3. Warum sollte man nicht eine Pipe und die Funktion head() verwenden, wenn man den Datensatz als Objekt speichert?

Andere Dateitypen

  • Sobald wir mit read_csv() vertraut sind, sind die anderen Funktionen von readr einfach zu benutzen
    • man muss nur wissen, wann man welche benutzt
  • read_csv2() liest Semikolon-getrennte Dateien
    • Diese verwenden ; anstelle von , zur Trennung von Feldern und sind in Ländern üblich, die , als Dezimalzeichen verwenden
  • read_tsv() liest Tabulator-getrennte Dateien
  • read_delim() liest Dateien mit beliebigen Begrenzungszeichen ein
    • versucht, das Trennzeichen zu erraten
    • es sei denn, ihr gebt es mit dem Argument delim = an (z. B. read_delim("students.csv", delim = ","))

Andere Dateitypen

Andere habe ich noch nicht gebraucht:

  • read_fwf() liest Dateien mit fester Breite
  • read_table() liest eine gängige Variante von Dateien mit fester Breite, bei der die Spalten durch Leerzeichen getrennt sind
  • read_log() liest Log-Dateien im Apache-Stil

Aufgabe

Aufgabe 4: filetypes

Beispiel 4  

  1. Welche Funktion wird verwendet, um eine Datei zu lesen, deren Felder durch | getrennt sind?
  2. Welche Argumente haben read_csv() und read_tsv() gemeinsam?
  3. Wie würdet ihr einen Datensatz mit einem Semikolon als Begrenzungszeichen einlesen?
  4. Ladet den Datensatz nettle_1999_climate.csv ein
    • wie viele Variablen gibt es?
  5. Ladet den Datensatz nettle_1999_climate2.csv ein
    • Wie viele Variablen gibt es? Ist das richtig?
  6. Ladet den Datensatz nettle_1999_climate3.csv ein
    • wie viele Variablen sind vorhanden? Ist dies richtig?

Dateneingabe

  • wenn wir kleine Datenmengen sammeln, möchten wir sie vielleicht von Hand in R eingeben

    • Es gibt zwei nützliche Funktionen, die uns dabei helfen, gesammelte Daten zu nehmen und ein “Tibble” zu erstellen

  • tibbles sind moderne Datenrahmen, macht euch noch keine Gedanken über die Definition eines Tibbles

  • Sammeln wir die Initialen, die Körpergröße (cm) und das Geburtsdatum (ttmm) von allen

i <- "DP" # a "string"
h <- 171 # a number
m <- 05 # a number
d <- 07

tibble()

tibble(
  initial = i,
  height = h,
  month = "Mai",
  day = 7)
# A tibble: 1 × 4
  initial height month   day
  <chr>    <dbl> <chr> <dbl>
1 DP         171 Mai       7

tribble()

  • es könnte einfacher sein, die Daten Zeile für Zeile einzugeben
    • dies ist mit einem transponierten Tibble (Tribble) möglich
tribble(
  ~initial, ~height, ~month, ~day,
  "DP", 171, 07, 05
)
# A tibble: 1 × 4
  initial height month   day
  <chr>    <dbl> <dbl> <dbl>
1 DP         171     7     5

Aufgabe

Aufgabe 6: tibbles

Beispiel 5  

  1. Speichert das Tibble (d.h. den Datenrahmen) als das Objekt df_wir.
  2. Den Datensatz untersuchen (z.B. Zusammenfassungen drucken)
  3. Was kommt Ihnen seltsam vor?
   initial              height        month        day   
 Length:1           Min.   :171   Min.   :5   Min.   :7  
 Class :character   1st Qu.:171   1st Qu.:5   1st Qu.:7  
 Mode  :character   Median :171   Median :5   Median :7  
                    Mean   :171   Mean   :5   Mean   :7  
                    3rd Qu.:171   3rd Qu.:5   3rd Qu.:7  
                    Max.   :171   Max.   :5   Max.   :7

Arbeiten mit Variablen

  • In einem Datenrahmen sind die Variablen in Spalten organisiert

Variablentypen

  • readr errät den Typ der Daten, die jede Spalte enthält
    • Die wichtigsten Spaltentypen, die man kennen sollte, sind numerisch und kategorisch (= factor).
  • factors enthalten Kategorien oder Gruppen von Daten, können aber manchmal wie numerische Daten aussehen.
    • Unsere Spalte month enthält zum Beispiel Zahlen, aber sie kann auch den Namen jedes Monats enthalten.
    • Es ist sinnvoll, den Mittelwert einer numerischen Variable zu berechnen, aber nicht den eines factors.
      • Es ist sinnvoll, den Mittelwert der Körpergröße zu berechnen, aber nicht den Mittelwert des Geburtsmonats.
df_wir$month <- as_factor(df_wir$month)

Indizierung

  • manchmal wollen wir auf eine bestimmte Variable (Spalte) in einem Datenrahmen zugreifen
    • Bei Verwendung von Base R tun wir das mit $: Datenrahmen$Variable 
df_wir$height
[1] 171
  • und wir können dies als Argument für eine Funktion verwenden
    • Versuche, die minimale und maximale Höhe in unserer Gruppe zu finden.
    • die Summe (EN: sum) unserer Höhen berechnen

Aufgabe

Aufgabe 6: tibbles

Beispiel 6  

  1. Umrechnung von df_wir$month in einen Faktor
  2. Berechne unsere mittlere Höhe mit der Funktion mean() und der Indizierung
  3. Berechne die Summe unserer Höhen.

In Datei schreiben

  • wir können unseren Datenrahmen auch speichern, so dass wir später darauf zurückkommen können mit write_csv(object_name, "desired_filename.csv")
    • oder, mit here: write_csv(object_name, here::here("ordner", "desired_filename.csv"))
  • Seid sehr vorsichtig! Wenn ihr einen existierenden Dateinamen verwendet, könnt ihr einen bereits existierenden Datensatz überschreiben
write_csv(df_wir, file = here("daten", "wir.csv"))

Übungen

Hier findet ihr einige vertiefende Übungen.

Import/Export

  1. Ladet den eingebauten starwars-Datensatz, der Informationen über Star Wars Charaktere enthält.
  2. Exportiert die Daten als csv Datei mit dem Namen starwars in euren daten Ordner.
  3. Importiere die starwars.csv Datei mit read_csv().

Spaltentypen konvertieren

  1. Konvertiere die folgenden Variablen in Faktoren:
    • hair_color
    • skin_color
    • eye_color
    • sex
    • gender
    • homeworld
    • species

Plots

  1. Erstellt die folgenden drei Diagramme und beschreibt kurz, was sie zeigen und welche Schlussfolgerungen daraus gezogen werden können.

  2. Erstellt ein weiteres Diagramm eurer Wahl aus dem “Starwars”-Datensatz. Fügt sie in das Diagrammgitter ein (ihr müsst die Syntax anpassen). Beschreibt was sie zeigt.

(fig_sw_height + fig_sw_gender) /
  fig_sw_height_mass +
  plot_layout(nrow = 2,  heights = c(.4,.6)) +
  plot_annotation(
    title = "Some plots using the `starwars` dataset",
    subtitle = "Each plot visualises different variables",
    tag_levels = "A")

Heutige Ziele 🏁

Heute haben wir…

  • gelernt, wie man einen neuen Datensatz in Augenschein nimmt ✅
  • gelernt, wie man verschiedene Datentypen importiert ✅
  • gelernt, wie man Daten von Hand eingibt ✅
  • einen neuen Datensatz visualisiert ✅

Session Info

Hergestellt mit R version 4.2.3 (2023-03-15) (Shortstop Beagle) und RStudioversion 2023.3.0.386 (Cherry Blossom).

sessionInfo()
R version 4.2.3 (2023-03-15)
Platform: aarch64-apple-darwin20 (64-bit)
Running under: macOS Ventura 13.2.1

Matrix products: default
BLAS:   /Library/Frameworks/R.framework/Versions/4.2-arm64/Resources/lib/libRblas.0.dylib
LAPACK: /Library/Frameworks/R.framework/Versions/4.2-arm64/Resources/lib/libRlapack.dylib

locale:
[1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
 [1] kableExtra_1.3.4 patchwork_1.1.2  here_1.0.1       janitor_2.2.0   
 [5] lubridate_1.9.2  forcats_1.0.0    stringr_1.5.0    dplyr_1.1.1     
 [9] purrr_1.0.1      readr_2.1.4      tidyr_1.3.0      tibble_3.2.1    
[13] ggplot2_3.4.2    tidyverse_2.0.0 

loaded via a namespace (and not attached):
 [1] tidyselect_1.2.0   xfun_0.38          snakecase_0.11.0   colorspace_2.1-0  
 [5] vctrs_0.6.1        generics_0.1.3     viridisLite_0.4.1  htmltools_0.5.5   
 [9] yaml_2.3.7         utf8_1.2.3         rlang_1.1.0        pillar_1.9.0      
[13] glue_1.6.2         withr_2.5.0        RColorBrewer_1.1-3 bit64_4.0.5       
[17] lifecycle_1.0.3    munsell_0.5.0      gtable_0.3.3       rvest_1.0.3       
[21] evaluate_0.20      labeling_0.4.2     knitr_1.42         tzdb_0.3.0        
[25] fastmap_1.1.1      parallel_4.2.3     fansi_1.0.4        highr_0.10        
[29] scales_1.2.1       webshot_0.5.4      vroom_1.6.1        jsonlite_1.8.4    
[33] farver_2.1.1       systemfonts_1.0.4  bit_4.0.5          hms_1.1.3         
[37] digest_0.6.31      stringi_1.7.12     grid_4.2.3         rprojroot_2.0.3   
[41] cli_3.6.1          tools_4.2.3        magrittr_2.0.3     pacman_0.5.1      
[45] crayon_1.5.2       pkgconfig_2.0.3    xml2_1.3.3         timechange_0.2.0  
[49] rmarkdown_2.21     svglite_2.1.1      httr_1.4.5         rstudioapi_0.14   
[53] R6_2.5.1           compiler_4.2.3

Literaturverzeichnis

Nordmann, E., & DeBruine, L. (2022). Applied Data Skills (Version 2.0). Zenodo. https://doi.org/10.5281/zenodo.6365078
Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (o. J.). R for Data Science (2. Aufl.). https://r4ds.hadley.nz/

Woche 4 - Datenimport